1.基于目标检测的后门攻击防御模型的生成方法,其特征在于,包括以下步骤:
步骤一:选取基准数据,从单个待检测标签类y中选取一张清晰的图像X作为基准数据;
步骤二:使用SinGAN模型对基准数据进行多尺度学习,对SinGAN模型参数进行随机初始化,选取差异性较大的第0层数据作为增强后的干净数据集Dc;
步骤三:给定数量为N且尺寸大小为(w,h)的训练后门集Dt,并且将Dt放置到干净数据集Dc的任意位置处,合成后的样本集合记为中毒训练集Dp;
步骤四:利用训练的目标检测工具Yolov5模型对中毒训练集Dp生成后门防御模型M(x,y,w,h)。
2.根据权利要求1所述的基于目标检测的后门攻击防御模型的生成方法,其特征在于,所述步骤一中,从单个待检测标签y∈[1,C],C表示深度神经网络的输出标签种类总数。
3.根据权利要求1所述的基于目标检测的后门攻击防御模型的生成方法,其特征在于,所述步骤二中,SinGAN模型从单张图像的多尺度中捕捉不同的数据分布来生成一组具有内部相关性的数据集,该模型内部包括:用来生成数据分布的生成器Gn和用来判别数据分布的判别器Dn,其中Gn和Dn的内部结构是具有五层卷积块的卷积神经网络,输入层是随机噪声和上一个尺度被上采样的图片,输出层是由五层卷积块的卷积神经网络和上采样图像融合后的结果组成;生成器Gn描述为:其中,Zn为噪声,表示五层卷积块的卷积神经网络, 表示图像的上采样版本,n表示当前所处的尺度,Xn是GN对应的输出结果,卷积网络由5个卷积块组成,其形式为:Conv(3×3)‑BatchNorm‑LeakyReLU:判别器Dn的架构和Gn中的 保持一致,
SinGAN模型将Gn的训练损失分为对抗损失和重建损失,定义SinGAN模型的损失函数为其中, 表示对抗损失函数,用来调整Xn补丁分布和生成样本中补丁分布中的距离,表示重建损失函数,用来确保每个Gn中需要存在一组特定的噪声映射, 作为一个嵌套的优化目标函数,内部的判别器以实现两者的损失函数值最大化为目标;外层的生成器则以最小化损失函数值为目标。
4.根据权利要求1所述的基于目标检测的后门攻击防御模型的生成方法,其特征在于,所述步骤三中,后门类型T的数量在10至50个。
5.根据权利要求1所述的基于目标检测的后门攻击防御模型的生成方法,其特征在于,所述步骤四中,具体包括:S41:利用步骤三中合成的中毒训练集Dp生成对应描述训练信息的xml和txt格式文件;
S42:将中毒训练集Dp和S41步骤中生成的文件信息,组合成为Yolov5模型的目标检测数据集Dv,并作为输入,用于训练Yolov5模型;
S43:根据环境设置初始的输入样本数量batch_size,以及深度神经网络训练循环次数epoch;对基于目标检测的Yolov5模型参数进行随机初始化,利用Yolov5模型对目标检测数据集Dy进行训练到模型损失函数不再改变为止;
S44:最后可得后门防御模型M(x,y,w,h)。